Détecter les schémas de criminalité gr?ce aux données de localisation
La manière dont les gens se déplacent dans les villes permet de déduire quand et où un nombre particulièrement élevé de délits sont commis. C'est ce qu'ont montré des chercheurs de l'ETH à l'aide de millions de données de localisation anonymisées.
![Image satellite](/de/news-und-veranstaltungen/eth-news/news/2020/07/kriminalitaetsmuster-mit-standortdaten-aufdecken/_jcr_content/news_content/fullwidthimage/image.imageformat.930.1001762503.jpg)
Où et quand la criminalité se développe-t-elle dans les villes ? Pour répondre à cette question, les criminologues se sont appuyés jusqu'à présent sur des modèles assez statiques. La criminalité était par exemple mise en relation avec la composition de la population résidente d'un quartier ou avec l'utilisation des zones concernées. On ignorait jusqu'à présent l'influence de la mobilité sur l'apparition de la criminalité.
Des chercheurs de l'ETH Zurich, de l'Université de Cambridge et de l'Université de New York ont désormais pu prouver pour la première fois que la criminalité est directement liée au nombre de personnes qui se trouvent dans une ville et à leurs déplacements. L'informaticienne Cristina Kadar, ancienne doctorante au Mobiliar Lab für Analytik de l'ETH, a dirigé l'étude. Elle a récemment présenté les résultats lors d'une conférence (virtuelle) sur les sciences sociales assistées par ordinateur.
Les flux de mouvements analysés
Les chercheurs ont calculé les flux de déplacement à partir de données de localisation agrégées et anonymisées. Ils ont utilisé à cet effet trois jeux de données anonymisés complets de la plateforme de données de localisation Foursquare des villes de San Francisco, Chicago et Philadelphie des années 2012 et 2013. Ceux-ci se composent de millions de "check-ins", c'est-à-dire de lieux partagés activement par les utilisateurs. Avant de mettre les données à la disposition des scientifiques, l'entreprise a supprimé les données à caractère personnel et tous les check-ins à l'adresse du domicile des utilisateurs.
Les chercheurs ont comparé ces données avec les statistiques de la criminalité de la même période. Concrètement, ils ont pris en compte dans leurs analyses les délits de vol, de vol à main armée, de lésions corporelles, de cambriolage et de vol de véhicule.
Plus d'activité, plus de criminalité
Résultat : plus les données de la plateforme indiquaient une activité importante pour une période et un quartier donnés, plus les chercheurs ont également trouvé de délits.
Les chercheurs ont compté comme activité d'une part les check-ins, qui correspondent par exemple à des séjours dans des restaurants, des magasins ou des centres sportifs, et d'autre part les traversées, lorsque les personnes ne font que passer dans un quartier donné entre deux check-ins. Les chercheurs ont calculé les trajets entre deux check-ins en partant de l'hypothèse que les utilisateurs choisissent le chemin le plus court et s'orientent vers les voies de circulation existantes.
Le danger guette en route
Ce sont même les traversées qui ont la plus grande influence sur les taux de criminalité. En d'autres termes, la criminalité survient le plus souvent là où les gens passent entre deux activités de routine. Donc par exemple sur le chemin entre le travail, les achats et les activités de loisirs. Les résultats confirment une théorie connue de la criminologie selon laquelle les délits se produisent là où les chemins des auteurs et des victimes se croisent.
Cristina Kadar déclare : "Je suis ravie qu'il soit possible de décrire aussi bien la criminalité avec des données qui n'ont en premier lieu rien à voir avec la criminalité". Jamais encore on n'avait pu montrer de manière aussi fine, dans le temps et dans l'espace, le lien entre la mobilité des personnes et la criminalité.
Les chercheurs ont également ventilé l'analyse en fonction des différents types d'activités et de délits. Il s'est avéré qu'il y avait plus de criminalité dans les lieux et les créneaux horaires où se déroulaient de nombreuses activités de loisirs, alors que ce n'était pas le cas pour le shopping par exemple. En ce qui concerne les délits, les chercheurs ont trouvé le lien le plus fort entre l'activité et les vols, le plus faible entre l'activité et les cambriolages.
Des prévisions également possibles
En outre, les chercheurs ont examiné si les données de mobilité permettaient également de prédire la criminalité au moyen de l'apprentissage automatique. Pour ce faire, ils ont entra?né différents modèles, une fois avec les données de Foursquare et une fois avec les données relatives aux délits passés. Ils ont ensuite vérifié la précision des prévisions à l'aide des délits effectivement enregistrés. Résultat : les modèles de prédiction utilisant des données de mobilité ont obtenu de bien meilleurs résultats que les prédictions basées sur des données de délits.
Contribution à la recherche
Kadar considère son étude en premier lieu comme une contribution à la recherche. En fournissant des preuves pour la théorie du crime pattern, elle aide à mieux comprendre l'origine de la criminalité. Elle montre en outre l'utilité des données massives pour les sciences sociales assistées par ordinateur.
Toutefois, avant que les pouvoirs publics puissent utiliser ces connaissances pour rendre les villes plus s?res, elles devraient être validées par d'autres études. Pour compenser d'éventuelles distorsions dans l'ensemble des données, l'analyse devrait donc être vérifiée avec une série de jeux de données supplémentaires. De plus, les conclusions seraient valables pour les grandes villes, mais peut-être pas pour les plus petites.
Références bibliographiques
Kadar C, Feuerriegel S, Anastasios N, Mascolo C : Leveraging Mobility Flows from Location Technology Platforms to Test Crime Pattern Theory in Large Cities. page externeActes de la Conférence internationale sur le Web et les médias sociaux 2020.